不知道大家有沒有見過在大街上“亂跑”的機器人，也許你覺得很科幻、很高大上。但是事實上，它們特別接地氣！

早在去年“618”，京東配送機器人就已經在中國人民大學校園內穿梭，并最終完成首單配送任務。

未來已來，當智能化之風吹到物流業，國內外企業紛紛嘗鮮無人化配送，也就催生了智能機器人在這一領域施展拳腳。從國外的Woowa Brothers、Starship、Yelp、Marble，到國內的阿里、京東、蘇寧，都著手研發了配送機器人。

Marble 2017年4月與Yelp合作推出了食品配送機器人。用戶使用Yelp的APP下單后，由機器人送餐上門，點餐者可通過驗證碼短信打開機器人的儲物箱。該機器人有模塊化的貨艙，可以根據有效載荷進行換貨，并使用傳感器和高分辨率3D城市地圖來高效地穿梭于繁華的城市街道。

Starship Technologies成立于2014年，總部位于英國倫敦，是無人配送領域的“大明星”。該公司的目標是建立一個自動駕駛機器人網絡，用戶可以使用機器人來進行貨物和食品配送。Starship送貨機器人具備完整的避障系統，可完全自動執行任務，能夠以每小時4英里的速度行駛，每次可以運送20鎊（約9公斤）的物品。機器人配備9個攝像頭，能夠辨別并“記住”路線，通過機器學習可以實現自主導航。

這些“蠢萌”的家伙靠什么才能上路呢？

傳感器讓機器人感知這個世界

傳感器是一種物理裝置，能夠探測、感受外界的信號、物理條件（如光、熱、濕度）或化學組成（如煙霧），并將探知的信息傳遞給其他裝置。傳感器的應用領域十分廣泛，大致上包括通訊電子產品、汽車、工業自動化，以及作為專用設備應用于醫療、環保、氣象等領域。其中在工業領域比較常見的是壓力傳感器、位置傳感器、濕度傳感器等。

傳感器在機器人中的應用十分普遍。傳感器處于連接外界環境與機器人的接口位置，是機器人獲取信息的窗口。

當前，市面上的可移動機器人多是采用了激光雷達、視覺傳感器、IMU、超聲波等多傳感器融合進行定位、導航、避障。這種方案穩定性高，但因為可用的激光雷達的成本多在1萬元人民幣左右，這就使得機器人整機的成本很難低于2萬元，制約大規模商用。

像京東自主研發的快遞機器人就通過雷達和傳感器實現360度環境監測，能夠自動規避道路障礙與車輛行人，準確識別紅綠燈信號，自主停靠配送點，做到了自動化配送的全場景適應。

用傳感器采集信息是機器人智能化的第一步；其次，如何采取適當的方法，將多個傳感器獲取的環境信息加以綜合處理，控制機器人進行智能作業，則是提高機器人智能程度的重要體現。

機器學習讓機器人學會思考

有了傳感器，機器人能夠真真切切地感知這個世界并對其做出反應，從此之后不再是冰冷冷的機器。而想讓機器人開始獨立思考，這就需要機器學習這項技術了。

機器學習尚屬人工智能研究領域較年輕的分支，作為人工智能的核心，機器學習常見技術包括監督式學習、無監督學習、強化學習、神經網絡等。

監督式學習

監督學習使用人類標記過的數據，通常在數據有能力預測可能發生的事件時使用。該算法對一組輸入數據進行處理，并得到相應的輸出結果，通過將該輸出結果與正確結果進行比較來發現錯誤。一旦發現錯誤，就可以相應地對模型進行修改。

無監督學習

無監督學習使用無標記的數據。機器人在不了解任何事先數據或信息的情況下發現新的模式。當數據被歸類到數據組時，這種類型的學習會在集群下更好地工作。

強化學習

受強化行為心理觀念的啟發，強化學習是一種學習的理念。機器人可以通過多次嘗試來獲得一個理想的結果。隨著時間的推移，它學會了選擇某種行為，以得到理想的結果。這種類型的學習經常被應用于游戲、導航等應用程序中。

神經網絡

深度神經網絡（DNNs）又稱人工神經網絡（ANN），代表了一套用于構建強大的學習系統的技術。該技術于20世紀80年代被發明，在2010年之后開始騰飛，這種飛速增長得益于強大的并行硬件和易于使用的開源軟件。

DNNs覆蓋了一系列不同的神經體系結構，最著名的是：

1.遞歸神經網絡（RNN）——神經元將反饋信號發送給彼此

2.卷積神經網絡（CNN）——前饋神經網絡，通常用于視覺和圖像識別

需要注意的是，構建不同的模型需要用到不同的算法和技術。

回過頭來看，配送機器人作為電商與自動化、物流與機器人的融合，顯然還有很長的路要走，但其可能帶來的新技術進化與應用、物流與服務模式的變革、就業結構的變遷，都值得我們去思考和想象。